CN102004915B - 基于纹理特征空间的震损建筑遥感快速提取方法 - Google Patents

Abstract

基于纹理特征空间的震损建筑遥感快速提取方法，针对高分辨率遥感影像的灰度和空间特征，充分利用纹理特征参数，通过构建纹理参数空间，利用震损建筑在纹理特征空间中的集聚性特征，建立了基于震后遥感影像的震损建筑物信息提取方法，克服了现有识别方法对震前基础影像的依赖，在精度和处理效率上都有了大幅改善。其特征在于包括如下四个单元：纹理参数计算单元、典型空间特性单元、空间集聚性计算单元以及震损建筑信息提取单元。由上述四个单元组成的基于纹理特征空间的震损建筑遥感快速提取方法，可快速、高精度地提取震损建筑宏观分布信息和数据，为震后应急指挥、抢险救助提供辅助决策数据支持。

Description

基于纹理特征空间的震损建筑遥感快速提取方法

技术领域

本发明属于遥感技术应用领域，特别是地震灾区利用高分辨率遥感影像进行城市损毁建筑物提取的方法。

背景技术

地震灾害是中国面临的最重要自然灾害之一。强烈地震具有突发性、毁灭性的特点，严重威胁人民生命和财产安全，而且随着城市人口密度的不断增加及城市化进程不断加剧，地震灾害造成的损失在现代社会变得日益严重。面对严峻的地震形势，我国在依据《防震减灾法》加强震前地震监测、地震灾害预防的同时，通过总结历史经验教训，寻找有效的措施，以提高震后应急指挥、抢险和救助的能力。特别是震后应急救灾工作，直接关系到灾区人民的住房安置、基本的生活保障等方面，这对于减少地震伤亡具有十分重要的意义。

利用传统的灾害调查的手段是难以做到迅速的应急响应，为抗震救灾提供及时、有效、科学的决策辅助依据。遥感技术以其快速、经济、宏观的特征，已在我国抗震救灾中发挥了重要的作用，为灾后应急救援工作的开展提供了重要的信息和数据支持。尤其是利用高分辨率遥感影像可以快速获取震区建筑物详细的破坏情况，可以为抗震指挥部门提供及时的数据支持。

利用遥感技术进行震损建筑物信息提取，国内外学者已经进行了三十多年的探索和研究。最初的方法是人工判识和提取震损建筑物信息，其精度和效率取决于专家的先验知识和熟练程度。该方法在效率上极大受制于大空间范围的高分辨率遥感影像的数据量。伴随着数字影像处理和信息提取技术的发展，利用遥感数据提取震损建筑物信息的方法从人工目视解译提取方法发展为基于灰度特征和空间特征的自动识别方法。自动识别方法包括了变化检测方法、灰度聚类统计方法和区域特征提取方法等。目前，现有自动识别方法通常需要震前同区域影像作为基础，在精度和效率上对于应急响应的要求尚有一定程度差距，因此人工判识方法仍有较多的应用。

发明内容

本发明针对高分辨率遥感影像的灰度和空间特征，充分利用纹理特征参数，通过构建纹理参数空间，利用震损建筑在纹理特征空间中的集聚性特征，建立了基于震后遥感影像的震损建筑物信息提取方法，克服了现有识别方法对震前基础影像的依赖，在精度和处理效率上都有了大幅改善。

本发明技术方案如下：

基于纹理特征空间的震损建筑遥感快速提取方法，其特征在于包括如下四个单元：纹理参数计算单元、典型空间特性单元、空间集聚性计算单元以及震损建筑信息提取单元。由上述四个单元组成的基于纹理特征空间的震损建筑遥感快速提取方法，可快速、高精度地提取震损建筑宏观分布信息和数据，为震后应急指挥、抢险救助提供辅助决策数据支持。

所述纹理参数计算单元采用灰度共生矩阵的方法，按照纹理特征对遥感影像描述的不同性质，从一致性、光滑性和相关性三个方面纹理特性，基于区域纹理描述符，计算影像的角二阶矩、对比度、相关性、方差、反差分矩、和均值、和方差、和熵、熵、差方差、差熵、相关性信息测量以及最大相关系数14个纹理特征参数，构建纹理特征空间。

所述典型空间特性单元是根据高分辨率遥感影像灰度特征，快速选取5-10个、4类主要地物类型——震损建筑物、未受损建筑物、农田和山区的典型区域，建立典型地物的纹理特征矢量，为震损建筑信息快速提取提供必要的参照基准。

所述空间集聚性计算单元是利用纹理特征参数矢量，基于与典型地物的矢量距离，计算特征空间中的矢量相似性。

所述震损建筑信息提取单元是根据特征空间的相似性，利用震损建筑物判断模型提取整个遥感影像上的震损建筑物，提供震区的建筑物受损信息和空间分布数据。

与现有技术相比，本发明具有如下特点：

1.利用快速选取地少量典型地物，通过纹理特征参数在特征空间上的集聚特性的表现，摆脱了对震前基础遥感影像的依赖，减少数据准备和处理量，提供了震损建筑物提取效率。

2.本发明使用了少量典型地物的纹理特征参数作为选取依据，有效结合了先验知识和自动识别的精度和效率上的优势，同时也使本发明具有较好的适用性，可有效地适用于目前现有的各种高分辨率遥感影像。

3.充分利用了高分辨率遥感影像体现的灰度和空间特征，结合灰度共生矩阵将其抽象为纹理特征，通过特征空间的构建，实现了震损建筑的快速、高精度提取，为灾后的抗震救灾与灾后重建提供了宏观的建筑物受损信息。

附图说明

图1是利用高分辨率遥感影像进行震损建筑物快速提取流程图。

图2是震损建筑物区域判断流程图。

具体实施方式

本发明利用高分辨率遥感影像进行震损建筑物快速提取的方法流程图如图1所示。利用本方法，进行震损建筑物快速提取的技术流程如下：

1.纹理参数计算

将震后的灾区高分辨率遥感影像，采用灰度共生矩阵的方法，从一致性、光滑性和相关性三个方面纹理特性，计算影像的纹理特征参数。

根据灰度共生矩阵的理论，在遥感影像上设f(x，y)为研究区域的影像，其大小为M×N，灰度级别为N_g，则满足一定空间关系的灰度共生矩阵为

p(i，j)=Count{(x，y)，(x+dx，y+dy)∈M×N|f(x，y)=i&f(x+dx，y+dy)=j}其中p(i，j)为像元的联合概率密度，Count(x)表示集合x中的元素个数，p为N_g×N_g的矩阵。

在此基础上，为计算纹理特征参数，定义以下区域纹理描述符，公式如下：

$p_x=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j),i=\mathrm{1,2},...,N_g$

$p_y=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j),j=\mathrm{1,2},...,N_g$

$p_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j),i+j=k,k=\mathrm{2,3},...,{2N}_g$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j),|i-j|=k,k=0,1,...,N_g-1$

基于上述的纹理描述符，可以得到一致性、光滑性和相关性三个方面的14个纹理特征参数，计算公式如下：

1)角二阶矩：

$f_1=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left\{p(i,j)\right\}}^2$

2)对比度：

$f_2=\underset{n=0}{\overset{N_g-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j)\right\},\left(\right|i-j|=n)$

3)相关性：

$f_3=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\δ}}_x{\mathrm{\δ}}_y}$

4)方差：

$f_4=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-\mathrm{\μ})}^{2}p(i,j)$

5)反差分矩：

$f_5=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{1}{1+{(i-j)}^2}p(i,j)$

6)和均值：

$f_6=\underset{i=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{\mathrm{ip}}_{x+y}\left(i\right)$

7)和方差：

$f_7=\underset{i=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{(i-f_8)}^2{p}_{x+y}\left(i\right)$

8)和熵：

$f_8=-\underset{i=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\}$

9)熵：

$f_9=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j)\log \left\{p(i,j)\right\}$

10)差方差：

f₁₀=variance of p_x-y

11)差熵：

$f_{11}=-\underset{i=0}{\overset{N_g-1}{\mathrm{\Σ}}}{p}_{x-y}\left(i\right)\log \left\{p_{x-y}\left(i\right)\right\}$

12)相关性信息测量：

$f_{12}=\frac{\mathrm{HXY}-\mathrm{HXY}1}{\max \{\mathrm{HX},\mathrm{HY}\}}$

f₁₃=(1-exp[-2.0(HXY2-HXY)])^1/2

$\mathrm{HXY}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j)\log \left(p(i,j)\right)$

$\mathrm{HXY}1=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\}$

$\mathrm{HXY}2=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{p}_x\left(i\right)p_y\left(j\right)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\}$

13)最大相关系数：

f₁₄=(Q的第二最大特征值)^1/2

$Q(i,j)=\underset{k}{\mathrm{\Σ}}\frac{p(i,k)p(j,k)}{p_x\left(i\right)p_y\left(k\right)}$

利用计算得出的14个纹理里特征参数集，构建一个14维特征空间及纹理特征矢量。

V={υ_i|i＝1，2，3，…，14}

2.典型空间特性提取

利用先验知识，在震后高分辨率遥感影像上选取5—10个、4类主要地物类型(震损建筑物、未受损建筑物、农田、山区)的典型区域。通过像素关联，找出对应典型区域的纹理特征参数矢量。

3.空间集聚性计算

同种地物类型的地物纹理特征参数在特征空间中具有较强的集聚性，包括震损建筑物。计算空间集聚性，是利用纹理特征参数矢量，计算特征空间中的矢量相似性，其计算公式如下：

$\mathrm{Similarit}{y}_i=\frac{{\mathrm{DA}}_i-\min \left(D{A}_i\right)}{\max \left({\mathrm{DA}}_i\right)-\min \left({\mathrm{DA}}_i\right)}$

其中，Similarity_i表示与典型区域i的相似性，DA_i表示与典型区域i特征空间上的矢量距离，max(DA_i)和min(DA_i)表示与所有典型区域的矢量距离中的最大值和最小值。DA_i其计算方法如下：

${\mathrm{DA}}_i={\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(f_j-f_{\mathrm{ij}})}^2\right)}^{1/2}$

4.震损建筑信息提取

在计算出特征空间的矢量相似性后，利用如下模型进行震损建筑物判断：

判断一：AVG(S_农田)>0.8or AVG(S_山区)>0.8则为非震损建筑物排除；

判断二：不满足判断一，且满足如下条件AVG(S_震损建筑)>0.8orAVG(S_震损建筑)>AVG(S_未受损)+4STD(S_未受损)，则为判断为震损建筑物。

其中，S_农田、S_山区、S_震损建筑、S_未受损分别表示与农田、山区、震损建筑物和未受损建筑物典型区域的相似性值，AVG表示相似性值的平均值，STD表示相似性值的标准偏差值。其判断计算的顺序如图2。

将判断为震损建筑物的区域进行合并和信息提取，得到震损建筑物的信息和空间分布，为震后应急指挥、抢险救助提供辅助决策数据支持。

Claims (1)

1.基于纹理特征空间的震损建筑遥感快速提取方法，其特征在于包括如下四个单元：纹理参数计算单元、典型空间特性单元、空间集聚性计算单元以及震损建筑信息提取单元；由上述四个单元组成的基于纹理特征空间的震损建筑遥感快速提取方法，可快速、高精度地提取震损建筑宏观分布信息和数据，为震后应急指挥、抢险救助提供辅助决策数据支持；

所述纹理参数计算单元采用灰度共生矩阵的方法，按照纹理特征对遥感影像描述的不同性质，从一致性、光滑性和相关性三个方面纹理特性，基于区域纹理描述符，计算影像的角二阶矩、对比度、相关性、方差、反差分矩、和均值、和方差、和熵、熵、差方差、差熵、相关性信息测量以及最大相关系数14个纹理特征参数，构建纹理特征空间；根据灰度共生矩阵的理论，在遥感影像上设f(x，y)为研究区域的影像，其大小为M×N，灰度级别为N_g，则满足一定空间关系的灰度共生矩阵为

p(i，j)=Count{(x，y)，(x+dx，y+dy)∈M×N|f(x，y)=i&f(x+dx，y+dy)=j}；

其中，p(i，j)为像元的联合概率密度，Count(x)表示集合x中的元素个数，p为N_g×N_g的矩阵；

在此基础上，定义以下区域纹理描述符，公式如下：

$p_x=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j),i=\mathrm{1,2},...,N_g,$

$p_y=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j),j=\mathrm{1,2},...,N_g,$

$p_{x+y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j),i+j=k,k=\mathrm{2,3},...,{2N}_g,$

$p_{x-y}\left(k\right)=\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j),|i-j|=k,k=\mathrm{0,1},...,N_g-1;$

基于上述的纹理描述符，可以得到一致性、光滑性和相关性三个方面的14个纹理特征参数，计算公式如下：

角二阶矩， $f_1=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{\left\{p(i,j)\right\}}^2;$

对比度， $f_2=\underset{n=0}{\overset{N_g-1}{\mathrm{\Σ}}}{n}^2\left\{\underset{i=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_g}{\mathrm{\Σ}}}p(i,j)\right\},\left(\right|i-j|=n);$

相关性， $f_3=\frac{\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\left(\mathrm{ij}\right)p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\δ}}_x{\mathrm{\δ}}_y};$

方差， $f_4=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{(i-\mathrm{\μ})}^{2}p(i,j);$

反差分矩， $f_5=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\frac{1}{1+{(i-j)}^2}p(i,j);$

和均值， $f_6=\underset{i=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{\mathrm{ip}}_{x+y}\left(i\right);$

和方差， $f_7=\underset{i=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{(i-f_8)}^2{p}_{x+y}\left(i\right);$

和熵， $f_8=-\underset{i=2}{\overset{{2N}_g}{\mathrm{\Σ}}}{p}_{x+y}\left(i\right)\log \left\{p_{x+y}\left(i\right)\right\};$

熵， $f_9-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j)\log \left\{p(i,j)\right\};$

差方差，f₁₀=variance of p_x-y；

差熵， $f_{11}=-\underset{i=0}{\overset{N_g-1}{\mathrm{\Σ}}}{p}_{x-y}\left(i\right)\log \left\{p_{x-y}\left(i\right)\right\};$

相关性信息测量， $f_{12}=\frac{\mathrm{HXY}-\mathrm{HXY}1}{\max \{\mathrm{HX},\mathrm{HY}\}},$

f₁₃=(1-exp[-2.0(HXY2-HXY)])^1/2，

其中， $\mathrm{HXY}=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j)\log \left(p(i,j)\right),$

$\mathrm{HXY}1=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}p(i,j)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\},$

$\mathrm{HXY}2=-\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{p}_x\left(i\right)p_y\left(j\right)\log \left\{p_x\left(i\right)p_y\left(j\right)\right\};$

最大相关系数，f₁₄=(Q的第二最大特征值)^1/2，

利用计算得出的14个纹理里特征参数集，构建一个14维特征空间及纹理特征矢量V={υ_i|i=1，2，3，…，14}；

所述典型空间特性单元是根据高分辨率遥感影像灰度特征，选取5-10个、4类地物类型——震损建筑物、未受损建筑物、农田和山区的典型区域，通过像素关联，找出对应典型区域的纹理特征参数矢量，为震损建筑信息快速提取提供参照基准；

所述空间集聚性计算单元是利用纹理特征参数矢量，利用公式

计算典型地物的矢量距离；在此基础上，利用公式

计算特征空间中的矢量相似性；其中，Similarity_i表示与典型区域i的相似性，DA_i表示与典型区域i特征空间上的矢量距离，max(DA_i)和min(DA_i)表示与所有典型区域的矢量距离中的最大值和最小值；

所述震损建筑信息提取单元是根据特征空间的相似性，利用如下震损建筑物判断模型：

判断一，AVG(S_农田)>0.8或AVG(S_山区)>0.8则为非震损建筑物排除；

判断二，不满足判断一，且满足如下条件AVG(S_震损建筑)>0.8或AVG(S_震损建筑)>AVG(S_未受损)+4STD(S_未受损)，则为判断为震损建筑物；

其中，S_农田、S_山区、S_震损建筑、S_未受损分别表示与农田、山区、震损建筑物和未受损建筑物典型区域的相似性值，AVG表示相似性值的平均值，STD表示相似性值的标准偏差值；

提取整个遥感影像上的震损建筑物，提供震区的建筑物受损信息和空间分布数据。

Images